在导弹飞行的末制导阶段,往往面临着不同类型的干扰,需要采取的干扰抑制方法也有所不同。因此,正确识别末制导雷达所面临的干扰类别是进行电子对抗的重要前提,而干扰识别方法的有效性则直接决定了抗干扰的成败,在现代信息化战场上具有不可忽略的作用。基于数字射频存储模式产生的欺骗式干扰具有灵活多变、与目标信号相似度高等特点,在现代战争中受到广泛应用。由于欺骗式干扰信号往往是由目标信号复制转发而产生的,因此距离欺骗式和速度欺骗式这两种干扰通常很难区分开来。针对这个问题,论文对末制导雷达面临的几种典型有源欺骗式干扰的识别方法进行了研究,文中先对干扰信号进行了建模与仿真,然后提取了不同类型干扰的特征,最后结合机器学习和神经网络的方法对干扰类型进行分类识别,主要研究内容如下。首先,针对不同类型干扰时频图的差异性,论文研究了采用图像处理进行干扰识别的方法。先对时频图进行灰度处理后,然后计算时频图的灰度共生矩阵,并提取时频图的纹理特征,最后采用支持向量机对干扰进行识别。其次,采用经验模态分解的方法处理干扰信号,得到信号的本征模态分量,对分量进行筛选后,提取本征模态分量的波形熵作为特征进行干扰识别。然后,将该特征与时频图的纹理特征进行结合,构建高维联合特征,并根据此特征采用支持向量机对信号进行分类与识别。仿真结果表明,采用高维联合特征对干扰信号具有更好的识别效果。最后,对实际应用中遇到的样本数目不足的问题给出了解决方案。论文结合度量学习的方法,采用孪生网络与原型网络对少样本条件下的干扰信号进行识别。仿真结果表明,训练数据的样本数目较少时,相比于支持向量机,采用神经网络的干扰识别率有较大提高。针对测试数据中出现未知类型干扰的情况,论文采用孪生网络对未知类型的干扰进行识别,取得了较好的识别效果。论文研究的干扰识别方法对干扰识别问题具有重要的理论研究意义与工程实用价值。